Monogenes

Appearance

Домашнее задание: Обучение с учителем и без учителя. Д.З ​

Обучение с учителем (supervised learning) и без учителя (unsupervised learning) — две основные парадигмы машинного обучения, которые используются для решения различных задач.

Обучение с учителем (Supervised Learning) ​

Обучение с учителем включает в себя обучение модели на размеченных данных. Размеченные данные означают, что для каждого примера в наборе данных известен правильный ответ или метка.

Примеры задач обучения с учителем: ​

  1. Классификация: Предсказание категории или класса, к которому принадлежит объект.
    • Пример: Распознавание изображений (определить, что изображено на картинке: кошка или собака).
  2. Регрессия: Предсказание непрерывного значения.
    • Пример: Прогнозирование цен на недвижимость.

Основные этапы обучения с учителем: ​

  1. Сбор и разметка данных: Подготовка набора данных, где каждый пример имеет метку.
  2. Разделение данных: Деление набора данных на обучающую и тестовую части.
  3. Выбор модели: Определение алгоритма, который будет использоваться для обучения (например, линейная регрессия, дерево решений).
  4. Обучение модели: Использование обучающего набора данных для настройки параметров модели.
  5. Оценка модели: Проверка качества модели на тестовом наборе данных.

Обучение без учителя (Unsupervised Learning) ​

Обучение без учителя включает в себя обучение модели на неразмеченных данных. Модель должна самостоятельно выявить структуру или паттерны в данных.

Примеры задач обучения без учителя: ​

  1. Кластеризация: Группировка объектов в кластеры на основе их сходства.
    • Пример: Сегментация клиентов по схожести их покупательских привычек.
  2. Поиск ассоциаций: Выявление правил ассоциаций между объектами в данных.
    • Пример: Анализ рыночной корзины (какие продукты часто покупаются вместе).

Основные этапы обучения без учителя: ​

  1. Сбор данных: Подготовка набора данных без меток.
  2. Выбор алгоритма: Определение алгоритма, который будет использоваться для обучения (например, k-means, алгоритм ассоциации).
  3. Обучение модели: Применение алгоритма к данным для выявления структур или паттернов.
  4. Интерпретация результатов: Анализ полученных результатов и их интерпретация.

Домашнее задание ​

Создайте копию блокнота. Далее выполнйте задания в ней.

  1. Теоретическая часть:

    • Опишите различия между обучением с учителем и без учителя.
    • Приведите примеры задач, которые решаются с помощью обучения с учителем, и задачи, которые решаются с помощью обучения без учителя.

  2. Практическая часть:

    • Найдите датасет, который можно использовать для обучения с учителем и без учителя. (Например, датасет "Wine" из библиотеки Scikit-Learn. Этот датасет содержит информацию о химическом составе различных вин и их классах (три разных сорта вина)).
    • Реализуйте алгоритм обучения с учителем и без учителя. Интерпретируйте результаты.
python
# Импортируем необходимые библиотеки
import numpy as np
from sklearn.datasets import load_wine
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report

Ссылку на ваш блокнот разместите в домашнем задании.

Удачи в выполнении задания! Если возникнут вопросы, не стесняйтесь обращаться за помощью.

Обучение с учителем: Классификация с использованием логистической регрессии ​

Используем датасет "Iris" для классификации видов ирисов.

python
# Импортируем необходимые библиотеки
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report

# Загружаем датасет Iris
iris = load_iris()
X = iris.data
y = iris.target

# Разделяем данные на обучающую и тестовую части
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# Обучаем модель логистической регрессии
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)

# Предсказываем результаты на тестовых данных
y_pred = model.predict(X_test)

# Оцениваем качество модели
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
print("Classification Report:")
print(classification_report(y_test, y_pred))
		Accuracy: 1.0
		Classification Report:
		              precision    recall  f1-score   support
		
		           0       1.00      1.00      1.00        19
		           1       1.00      1.00      1.00        13
		           2       1.00      1.00      1.00        13
		
		    accuracy                           1.00        45
		   macro avg       1.00      1.00      1.00        45
		weighted avg       1.00      1.00      1.00        45

Пояснение к метрикам ​

Accuracy: ​

accuracy: Доля правильно предсказанных классов среди всех предсказаний. В данном случае, accuracy равна 1.00 (или 100%), что означает, что модель правильно предсказала все 45 примеров.

Macro Avg: ​

macro avg: Среднее арифметическое значения precision, recall и F1-score по всем классам. В данном случае все значения равны 1.00, что указывает на идеальную модель для всех классов. precision: Доля правильно предсказанных положительных результатов среди всех предсказанных положительных результатов. recall: Доля правильно предсказанных положительных результатов среди всех фактических положительных результатов. f1-score: Среднее гармоническое значение precision и recall, что позволяет учесть оба этих параметра.

Weighted Avg: ​

weighted avg: Взвешенное среднее значение precision, recall и F1-score по всем классам, где вес каждого класса пропорционален количеству истинных примеров этого класса. В данном случае все значения равны 1.00, что также указывает на идеальную модель. Взвешенное среднее полезно, когда классы неравномерно распределены, так как оно учитывает количество примеров каждого класса.

Обучение без учителя: Кластеризация с использованием алгоритма K-means ​

Используем тот же датасет "Iris" для кластеризации.

python
# Импортируем необходимые библиотеки
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# Обучаем модель K-means
kmeans = KMeans(n_clusters=3, random_state=42)
kmeans.fit(X)

# Предсказываем кластеры
clusters = kmeans.predict(X)

# Визуализируем результаты кластеризации
plt.scatter(X[:, 0], X[:, 1], c=clusters, cmap='viridis', marker='o')
plt.title('K-means Clustering of Iris Dataset')
plt.xlabel('Sepal Length')
plt.ylabel('Sepal Width')
plt.show()
/usr/local/lib/python3.10/dist-packages/sklearn/cluster/_kmeans.py:870: FutureWarning: The default value of `n_init` will change from 10 to 'auto' in 1.4. Set the value of `n_init` explicitly to suppress the warning
		<Figure size 640x480 with 1 Axes>

img.png

Пояснение коду ​

  1. Обучение с учителем (Supervised Learning):

    • Загружаем датасет Iris.
    • Разделяем данные на обучающую и тестовую выборки.
    • Обучаем модель логистической регрессии на обучающей выборке.
    • Оцениваем модель на тестовой выборке, выводим точность и отчёт классификации.

  2. Обучение без учителя (Unsupervised Learning):

    • Загружаем датасет Iris.
    • Обучаем модель K-means для кластеризации данных.
    • Визуализируем результаты кластеризации, отображая кластеры на графике.

Contacts: teffal@mail.ru

© 2019 – 2025 | monogenes.ru